又挂了一上来两个面试官，给我整不会了，说为了节省时间，本来三轮技术面压缩。面试官1：自我介绍反射机制，哪些框架中用到了反射框架优点缺点concurrenthashmap怎么保证并发安全除了synchronized可以加锁还有什么锁synchronized和reentrantlock有什么区别线程池有哪些参数，参数怎么考量设置项目里哪些场景下使用了线程池，具体怎么设置参数的（这里我瞎说了，记不得哪里用，应该错了）为什么要定义线程池什么是聚簇索引什么是非聚簇索引覆盖索引怎么定位慢查询深分页了解吗，怎么优化？（这里我说了覆盖索引+子查询和游标法，但是游标法我不熟，面试官又追问我游标法具体怎么写，掉进...

1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...